Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Ahmad Hammad Khaliqa, Muhammad Basharata, Malik Talha Riaza, Muhammad Tayyib Riaza, Saad Wania,
Nadhir Al-Ansarib, Long Ba LeC, Nguyen Thi Thuy Linhd,⇑
aInstituto de Geología, Universidad de Azad Jammu y Cachemira, Muzaffarabad 13100, Pakistán
bDepartamento de Ingeniería Civil, Ambiental y de Recursos Naturales, Universidad Tecnológica de Lulea, 97187 Lulea, Suecia
CInstituto de Ciencias, Ingeniería y Gestión Ambientales, Universidad Industrial de la ciudad de Ho Chi Minh, 12 Nguyen Van Bao, distrito de Go Vap, ciudad de Ho Chi Minh, Vietnam
dInstituto de Tecnología Aplicada, Universidad Thu Dau Mot, Provincia de Binh Duong, Vietnam
Historia del artículo: La región del Himalaya, una zona montañosa escarpada, se encuentra entre las zonas más susceptibles al peligro de
Recibido el 18 de marzo de 2022 Revisado el 28 deslizamientos de tierra debido a su terreno, geografía y tectónica activa. Las técnicas de aprendizaje automático (ML) son los
de junio de 2022 Aceptado el 21 de julio de
métodos más avanzados y precisos para desarrollar modelos de susceptibilidad a deslizamientos de tierra (LSM). El presente
2022 Disponible en línea el 19 de agosto de
estudio fue diseñado para analizar y evaluar la susceptibilidad a deslizamientos de tierra utilizando enfoques de ML para el
2022
distrito Hattian Bala, noroeste del Himalaya, Pakistán. Las imágenes satelitales históricas se utilizan para generar inventarios
espaciotemporales de deslizamientos de tierra de los años 2005, 2007 y 2012. Se creó una base de datos espacial relacionada
Palabras clave:
con factores topográficos, ambientales, geológicos y antropogénicos que incluyen pendiente, aspecto, elevación, curvatura,
Hattian Bala
curvatura plana, curvatura del perfil, índice de humedad topográfica (TWI), litología, distancia a fallas, distancia a arroyos,
Susceptibilidad a deslizamientos de
1. Introducción Uno de los principales peligros provocados por procesos naturales como terremotos,
lluvias e intervenciones humanas, por ejemplo, los cortes de carreteras y la urbanización
Los deslizamientos de tierra son el peligro geoambiental más importante que se pueden causar fallas en las pendientes.[71]. Los deslizamientos de tierra cubren casi el
observa en terrenos montañosos de todo el mundo y suponen una gran amenaza para la nueve por ciento del total de desastres naturales en todo el mundo
vida humana y la infraestructura.4,72]. El deslizamiento de tierra es [43]. Recientemente, grandes terremotos han provocado un gran número de
deslizamientos de tierra: China (1999), Cachemira (2005), China (2008, 2010, 2013),
Nepal (2015), Nueva Zelanda (2016), Japón (2018), etc. fallas de taludes en áreas
⇑Autor correspondiente.
Dirección de correo electrónico:nguyenthuylinh@tdmu.edu.vn (N. Thi Thuy Linh).
amplias. Estos acontecimientos catastróficos provocaron un gran número de
Revisión por pares bajo la responsabilidad de la Universidad Ain Shams. víctimas mortales, heridos y daños a la infraestructura, especialmente la
interrupción de las redes de carreteras. [22,32,57,67,68,113,115]. Los
deslizamientos de tierra cobraron la vida del 1,3 % de las víctimas de desastres
totalmente naturales, y Asia representó alrededor del 54 % de estos
Producción y alojamiento por Elsevier deslizamientos de tierra.[47]. La rápida urbanización y el desarrollo han
https://doi.org/10.1016/j.asej.2022.101907
2090-4479/- 2022 LOS AUTORES. Publicado por Elsevier BV en nombre de la Facultad de Ingeniería de la Universidad Ain Shams.
Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Aceleró los deslizamientos de tierra en los países desarrollados y subdesarrollados en los (SVM)[79,95], árbol de decisión (DT)[88,112], bayes ingenuos[25,28] y regresión logística
últimos años.[116]. Los fenómenos naturales como los deslizamientos de tierra (LR)[66,118]Los algoritmos se consideran los enfoques de ML más eficaces. Estos
provocados por terremotos son responsables de muchas muertes en todo el mundo. métodos son enfoques basados en datos ampliamente adoptados para evaluar el efecto
[44,45,62,82,100]. Los deslizamientos de tierra ocurren principalmente en áreas con de cada uno de los elementos causantes de los deslizamientos de tierra en la ocurrencia
topografía irregular y tectónica activa con una alta tasa de precipitación. Las de deslizamientos de tierra. Las técnicas de ML son útiles para evaluar los peligros de
características topográficas, la litología, la geomorfología, el uso del suelo y la cobertura deslizamientos de tierra a escala regional y sus diversos elementos que influyen para
del suelo influyen en la distribución geográfica y la intensidad de los deslizamientos de minimizar el riesgo de que se produzcan deslizamientos de tierra. El devastador
tierra.[5]. terremoto de Cachemira de 2005 provocó miles de deslizamientos de tierra en la parte
Los movimientos masivos suponen un peligro continuo para los habitantes y norte de Pakistán y la región de Cachemira.[10]. Se han llevado a cabo numerosas
las instalaciones de la región montañosa del Himalaya. En el noroeste del investigaciones en Muzaffarabad y sus áreas circundantes afectadas por el terremoto de
Himalaya, los deslizamientos de tierra se consideran un problema grave debido al Cachemira de 2005 para la distribución, caracterización y evaluación de la susceptibilidad
terreno predominantemente montañoso que causa daños a los habitantes y la de los deslizamientos de tierra.[9,11–13,55,56,63,77,91,94,99, 101]. Sin embargo, los
infraestructura. El devastador terremoto de Cachemira de 2005 provocó miles de estudios anteriores no realizaron la evaluación de la susceptibilidad a los deslizamientos
deslizamientos de tierra en la parte norte de Pakistán y la región de Cachemira. de tierra utilizando técnicas de ML con registros temporales de deslizamientos de tierra.
[77,108]. La ocurrencia de un gran número de fallas en pendientes, como Los estudios anteriores, por ejemplo,[15,38,91]Se aplicaron LSM convencionales basados
deslizamientos masivos de tierra, avalanchas de rocas y otras fallas, han resultado en conocimientos y datos con registros limitados de deslizamientos de tierra y factores
en lesiones graves y daños importantes a la infraestructura [9,10,77,81]. Se han causales limitados. Existen lagunas con respecto a los inventarios de deslizamientos de
realizado numerosos estudios anteriormente para comprender la mecánica, la tierra espacio-temporales y el LSM espacio-temporal utilizando modelos ML avanzados.
distribución y la evolución de los deslizamientos de tierra provocados por Por lo tanto, el presente estudio tiene como objetivo analizar el LSM espacio-temporal
terremotos y para identificar la distribución de los deslizamientos, estrategias de utilizando algoritmos de ML más estables y robustos. Esta investigación tiene como
recopilación de datos de campo, desarrollo de inventarios y análisis de objetivo utilizar técnicas avanzadas de aprendizaje automático para predecir la
distribución espacial.[12,15,56,77,99]. Los métodos de susceptibilidad a susceptibilidad espaciotemporal a deslizamientos de tierra. El objetivo específico del
deslizamientos de tierra (es decir, basados en el conocimiento, estadísticos, presente estudio incluye desarrollar y acceder a modelos de susceptibilidad a
deterministas, probabilísticos y de aprendizaje automático (ML)) se han utilizado deslizamientos de tierra relacionados con su causa influyente utilizando datos
para caracterizar la región en diferentes zonas susceptibles.[10,41,53]. La temporales de 2005, 2007 y 2012 mediante el empleo de enfoques de ML en el distrito de
evaluación de la susceptibilidad a los deslizamientos de tierra es un enfoque eficaz Hattian, noroeste del Himalaya de Pakistán. Los mapas de susceptibilidad podrían
para prevenir y mitigar los deslizamientos de tierra en una amplia región. Es una utilizarse más para evaluar los mapas de vulnerabilidad y riesgo para la mitigación de
de las fuentes de información más útiles para los tomadores de decisiones, ayuda deslizamientos de tierra y la implementación de estrategias de reducción de desastres en
a los profesionales a reducir el riesgo de vida y propiedad. En los últimos años se el área.
han desarrollado varios enfoques para la evaluación de la susceptibilidad a los
deslizamientos de tierra, dependiendo del concepto de que se pueden anticipar
posibles movimientos en masa analizando el vínculo entre los deslizamientos de
2. Área de estudio
tierra históricos y sus factores causales que influyen.[51,117]. Existen numerosos
métodos para desarrollar un mapa de susceptibilidad a deslizamientos de tierra
El área de estudio se encuentra geográficamente en el noroeste del
(LSM) basados en diferentes formulaciones, entre las que se utilizan
Himalaya de Pakistán, que cubre un área de 723,957 km.2con una población
principalmente métodos estadísticos y ML. [38,54,84,96]. La teledetección satelital
de 0,23 millones de habitantes. Las principales características
(RS) y el sistema de información geográfica (SIG) se utilizan ampliamente para la
geomorfológicas son valles, llanuras, cadenas montañosas, arroyos y ríos.
identificación, caracterización y evaluación de deslizamientos de tierra. La
Las elevaciones varían de 777 ma 4026 m (Figura 1). Las temperaturas
disponibilidad gratuita de datos satelitales de resolución moderada, por ejemplo,
medias medias oscilan entre 22℃a 36℃en verano, mientras -04℃a 07℃ en
Landsat 8 y Sentinels, han tenido aplicaciones más amplias en el campo de las
invierno, con precipitaciones anuales de 1000 a 2000 mm[103]. Las
geociencias en los últimos años. Las imágenes SPOT han sido utilizadas
características topográficas se vieron afectadas por el terremoto de 2005, en
previamente para identificar eficientemente deslizamientos de tierra en la región.
particular el desarrollo del lago Zalzal en Bani Hafiz, una remota ciudad de
[71].
Hattian Bala donde se documentaron cientos de víctimas.[14]. El área de
Los modelos estadísticos basados en datos y conocimiento, que
estudio se encuentra tectónicamente en la parte del cinturón plegado y
han ganado el campo LSM en los últimos años, se han visto desafiados
corrido del noroeste del Himalaya, y el área de estudio se encuentra
por datos insuficientes sobre topografía y parámetros ambientales.
principalmente en el extremo oriental de Hazara Kashmir Syntaxis (HKS).
[52]. Debido a las recientes mejoras en las tecnologías geoespaciales, se han
[6,60]. Main Boundary Thrust (MBT) y Panjal Thrust (PT) se pliegan para
esperado y aplicado con éxito una multitud de enfoques estadísticos para LSM
formar una estructura antiformal conocida como HKS.[6,7,98,111]así como
para ayudar en la investigación de los patrones de distribución de deslizamientos
MBT, PT y la falla de Muzaffarabad (MF), son la característica tectónica
de tierra y las causas que los producen.[73]. Los LSM están pasando rápidamente
importante a lo largo de la cual ocurrieron la mayoría de las fallas de las
del aprendizaje estadístico y basado en el conocimiento a técnicas de aprendizaje
pendientes. Las unidades litoestratigráficas en el área de estudio están bien
automático con mayor exactitud y precisión. Con su esplendor, el LSM se ha
expuestas y varían desde el Precámbrico hasta el Holoceno en la edad de
utilizado para abordar el mapeo geográfico del riesgo de deslizamientos de tierra.
unidades de rocas sedimentarias, metasedimentarias y metaígneas.[7,23].
Se han empleado varias formas de mapeo de deslizamientos de tierra en todo el
Las unidades geológicas en el área de estudio están altamente deformadas
mundo, pero sus objetivos son todos los mismos.
debido a MBT, PT y MF, lo que las hace más propensas a fallar durante
Tanto a nivel local como regional, actualmente se están sugiriendo muchos
terremotos y monzones intensos.
modelos y metodologías para anticipar la distribución geográfica de los
deslizamientos de tierra. Si bien los geocientíficos terrestres están cada vez más
interesados en el LSM óptimo, muchos se están centrando en un modelo 3. Material y métodos
estadístico y basado en el conocimiento para predicciones de deslizamientos de
tierra, por ejemplo, [2,56,91].[3,73,78,85,92,105]se encuentran entre los que 3.1. Recopilación de datos
recientemente han enfatizado los modelos ML debido a sus beneficios prácticos y
alta precisión. Los algoritmos de ML son efectivos debido a su precisión en la tabla 1Describe las fuentes de datos utilizadas para desarrollar los inventarios de
predicción de la vulnerabilidad y su alta exactitud con respecto a los enfoques deslizamientos de tierra y los LCF. Los deslizamientos de tierra en el área de investigación
estadísticos convencionales para LSM. Bosque aleatorio (RF)[24,107], red neuronal fueron interpretados y mapeados utilizando SPOT-5, imágenes de Google Earth e
artificial (RNA)[19,107], máquinas de vectores soporte investigaciones de campo basadas en el criterio de remoción de vegetación.
2
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
tabla 1
Lista de las fuentes de datos utilizadas para calcular el inventario de deslizamientos de tierra y los factores causantes de los deslizamientos de tierra.
Inventarios de deslizamientos de tierra 2005, 2007, 2012 Ubicaciones y tipos de deslizamientos de tierra 1:20.000 Datos publicados, Imágenes satelitales y verificaciones de campo.
y perturbaciones en el dosel del bosque[91]. Se utilizaron imágenes ángulo, longitud, etc.) de los deslizamientos en el campo. Los datos
satelitales Landsat-8 para desarrollar un mapa de uso y cobertura del suelo adquiridos de múltiples fuentes se mapearon, digitalizaron y analizaron en
utilizando clasificación supervisada en el software Exelis ENVI versión 5.3. El el entorno Arc-GIS 10.8 (Esri Inc.).[36]. El diagrama de flujo metodológico
Servicio Geológico de los Estados Unidos (USGS) proporcionó imágenes para alcanzar el objetivo planteado del estudio se muestra enFigura 2.
temporales del Landsat-8 (resolución de 30 m) con una nubosidad de <2,10
%. Se utilizó el modelo de elevación digital (DEM) basado en ALOS PALSAR 3.2. Inventario de deslizamientos de tierra
con una resolución de 12,5 m para extraer los factores topográficos del área
de estudio. Se utilizaron mapas geológicos adquiridos del Servicio Geológico La utilización de un inventario sostenible de deslizamientos de tierra requiere
de Pakistán (GSP) para derivar las características litológicas y tectónicas del datos precisos y de alta calidad de un registro geoespacial en asociación con un
área. El inventario de deslizamientos de tierra se verificó utilizando un estudio de reconocimiento basado en verificación sobre el terreno (Fig. 3). La
sistema de posicionamiento global (GPS) portátil y un receptor GLONASS con identificación y el desarrollo de inventarios de deslizamientos de tierra son una
una precisión de 5 ± metros (m) en el campo. La distancia láser se utiliza forma importante de comprender y analizar la comparación entre el deslizamiento
para medir las características físicas (por ejemplo, pendiente de tierra y los factores de control que determinan
3
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Figura 2.El diagrama esquemático muestra el desarrollo del mapa de susceptibilidad a deslizamientos de tierra.
Fig. 3.Fotografías durante la investigación de campo (a) flujo de escombros en Chamm (b) tobogán de escombros en Reshian (c) tobogán traslacional en Dao Khan (d) tobogán rotacional en Dao Khan (e) tobogán de
escombros en Moji (f) flujo de escombros en el Valle de Leepa.
4
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
susceptibilidad a deslizamientos de tierra y mapeo de peligros[25,39]. Los 3.3. Factores causantes de deslizamientos de tierra
Figura 4.Mapa que muestra el inventario de deslizamientos de tierra de los años 2005, 2007 y 2012.
5
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Figura 5.Mapa que muestra los factores causantes de deslizamientos de tierra (a) gradiente de pendiente (b) aspecto (c) elevación (d) curvatura (e) curvatura en planta (f) curvatura del perfil (g) TWI (h) Litología (i) distancia
desde las fallas.
6
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Figura 6.Mapa que muestra los factores causantes de deslizamientos de tierra (a) distancia a la red de arroyos (b) distancia a la red de carreteras (c) NDVI (d) LU/LC.
3.3.6. Curvatura del perfil o inestable. La variación en la inestabilidad de la superficie del talud también
La curvatura con un ángulo de pendiente alto en la dirección de la depende de la diferencia entre las distintas unidades litológicas.[1].
superficie de la pendiente se define como curvatura del perfil (figura 5F). La
curvatura del perfil también influye en la trayectoria del agua.[87,119]. Un 3.3.9. Distancia a las fallas
número negativo implica que la superficie de la célula es convexa hacia Las fallas (figura 5i) influir sustancialmente en la distribución del movimiento de
arriba y un perfil positivo sugiere que la superficie de la célula es cóncava. La masas cuando las fallas están activas. La mayoría de las fallas de taludes se ven afectadas
superficie es plana si tiene un valor de cero. La curvatura del perfil afecta la por el impacto de las proximidades a las fallas por el agrietamiento de las rocas y
aceleración o desaceleración del flujo sobre la superficie. estructuras superficiales.[13]. Se utilizó la herramienta de zona de influencia para
determinar la distancia desde las fallas utilizando el software ArcGIS.
3.3.7. Análisis de humedad topográfica (TWI)
El TWI es también un importante factor causante del movimiento de 3.3.10. Distancia del drenaje
masas. El TWI determinó el área con acumulación de flujo de agua, la cual En un área, la proximidad a un cuerpo de agua aumenta la probabilidad
frecuentemente está asociada a terrenos saturados, tanto de manera de falla de un talud al aumentar la presión de los poros del fluido y la
periódica como permanente (figura 5gramo). Se utilizó DEM con una erosión del pie del talud, es por eso que la distancia al drenaje (Figura 6a) se
resolución espacial de 12,5 m utilizando la herramienta de cálculo de determina como un parámetro clave que influye en la falla del talud[34,90].
hidrología y ráster en ArcGIS 10.8 para derivar el modelo TWI.[49]. El área del proyecto comprende una gran red de drenaje debido al terreno
montañoso que se extrajo utilizando ALOPS PALAR DEM y luego se
3.3.8. litología reclasifica en Arc GIS 10.8.
Un elemento que influye de manera importante en la probabilidad de
movimiento de masas es la litología del área (figura 5h). La litología se considera 3.3.11. Distancia de las carreteras
un parámetro ampliamente aceptado que afecta fuertemente las propiedades Los factores antropogénicos se definen como los factores causados por la
físicas del material de la superficie y el subsuelo y es un elemento clave en la actividad humana como la minería, la remoción de vegetación, etc. La distancia a
contribución del fracaso del talud.[54]. El número máximo de fallas de taludes la carretera (Figura 6b) es uno de los factores importantes ya que la mayoría de los
ocurrió en unidades litológicas que eran frágiles, débiles, deslizamientos de tierra ocurrieron debido a la influencia de la red de carreteras
7
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
a partir del mismo impacto de la proximidad al drenaje en el terreno montañoso 3.4.2. bosque aleatorio
[114].Los caminos fueron digitalizados a partir de hojas topográficas y Google Earth. Se Hoy en día el algoritmo predeterminado de ML más utilizado para el
crearon varias zonas de influencia en la red de carreteras y luego se reclasificaron modelado de susceptibilidad es el RF que Breiman
utilizando la herramienta de reclasificación en ArcGIS 10.8. [20]desarrollar. Es reconocido como un enfoque más confiable y
preciso para la probabilidad de deslizamientos de tierra.
[33,61,80,97,106]ya que construye varios DT y los combina.
3.3.12. NDVI
En este enfoque, las muestras de cada árbol se eligen arbitrariamente y
El NDVI se considera un importante factor de influencia ambiental[92](
la decisión final se determina utilizando la técnica de votación mayoritaria.
Figura 6C). El NDVI se toma para medir la densidad de vegetación en la
RF puede manejar grandes conjuntos de datos para resolver el problema
superficie de la pendiente. Generalmente se reconoce que el aumento de
con resultados precisos y confiables con poco o ningún ajuste fino, lo que
pastos y raíces tiene un papel crítico en la resistencia del suelo. Utilizando
genera una resistencia al sobreajuste del modelo. Para predecir el modelo
datos multiespectrales del satélite Landsat 8, se creó un mapa NDVI para
susceptible a deslizamientos de tierra más válido basado en el enfoque RF,
representar la distribución y densidad de la vegetación de la superficie.
los factores probatorios deben ajustarse mediante algoritmos ML. El LSM de
RF tiene un conjunto de varios hiperparámetros como nodesize, ntree, mtry
y en este estudio se eligió ntree para 250, mtry para 4 y nodesize para 5. La
3.3.13. Uso del suelo/cobertura del suelo
estructura de cada árbol único está controlada por el tamaño del nodo. El
Los factores controlados por el medio ambiente se consideran importantes en ntree se refiere a la estructura y el tamaño del bosque, mientras que el mtry
la ocurrencia de susceptibilidad a deslizamientos. El LU/LC (Figura 6d) del área es se refiere al número de variables evaluadas como variables de división
otro parámetro ambiental esencial que influye en el deslizamiento y que previene candidatas en cada división o al procedimiento de muestreo utilizado para
la degradación del suelo superficial. El movimiento de masa depende del tipo de producir los conjuntos de datos en los que se crean los árboles.
terreno, por lo que la cobertura del suelo es un factor que influye [89].
significativamente en el fracaso de las pendientes. Se utilizaron imágenes de
Landsat-8 con una cobertura de nubes del 2 % para calcular el modelo de uso/ 3.5. Análisis de selección de factores.
cobertura del suelo. Después de la corrección esencial, se utilizó el software Exiles
ENVI empleando el método de clasificación supervisada para clasificar la imagen Para una modelización precisa y confiable, también es esencial
en diferentes clases de uso del suelo (es decir, bosque, páramo, pastizal, cuerpos determinar el conjunto adecuado de LCF, que son importantes para los
de agua y suelo urbano). LSM. [50,59,74,109]. En este estudio, se realizan análisis de
comparación estadística para evaluar la importancia de influir en los
3.4. Métodos de aprendizaje automático elementos causales en el modelo de susceptibilidad. Los LCF se
consideran significativos si tienen un valor de p < 0,05[64,69,96]. La
Los enfoques de ML son más confiables en áreas donde no se puede prueba más utilizada es la Chi-Cuadrado, un método estadístico basado
demostrar la relación estadística directa entre causa y efecto.[27]. Hoy en día, el en la hipótesis de datos específicos al determinar la asociación de que
ML se considera más apropiado para evaluar la susceptibilidad a deslizamientos dos variables sean independientes o estén correlacionadas.[102]. El
de tierra.[58]. Se utilizó una extensión del paquete de herramientas de ArcGIS, que análisis se realizó en los trece LCF utilizando el módulo de selección de
se denominó Landslide Susceptibility Modeling (LSM), para construir el modelo de funciones del paquete de herramientas LSM. En este estudio, este
susceptibilidad a deslizamientos de tierra LR y RF.[97]. El paquete de herramientas análisis se empleó como un algoritmo de clasificación de características
LSM es una extensión de ArcGIS específicamente diseñado/desarrollado para el y la variación en el rendimiento del algoritmo de predicción se evaluó
modelado y mapeo de susceptibilidad a deslizamientos de tierra, por lo que se mediante la prueba F. Además, pruebas de comparaciones como
utilizó.[97]. Implica un lenguaje de programación R de código abierto integrado Kolmogorov-Smirnov, prueba F, One-Sample-t-La prueba y el rango con
con el entorno ArcGIS que incluye varios paquetes (por ejemplo, rgdal, raster, signo de Wilcoxon se utilizan para la relación de influencia por pares y
randomForest, etc.) asignan el rango a las causas de influencia en la prueba de
[97]. Además, es necesario instalar el entorno de ejecución de Java para este comparación que determina con las condiciones causales.
paquete de herramientas.
3.6. Modelo de validación
8
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
con una condición y casos determinados con precisión). La precisión del Identificar la probabilidad máxima de ocurrencia de deslizamientos de tierra a lo largo de
modelo se considera excelente si estos valores están cerca de 1 – 0,9, < 0,9 – la vecindad de la falla. La región se distribuye principalmente a lo largo de caminos con
0,8 bueno, < 0,8 – 0,7 medio, < 0,7 – 0,6 suficiente, < 0,6 – 0,5 malo y se pendientes moderadas a pronunciadas y elevaciones entre 1000 y 1500 m.
consideraría pobre si estos valores los valores son < 0,5. Mientras que los Figura 8muestra el área ocupada por estas zonas susceptibles en diferentes
valores de MAE y RMSE están más cerca de <0,5, los LSM se consideran años. El coeficiente RF IncNodePurity y LR muestra que el gradiente de la
excelentes. pendiente y la litología del área, como la Formación Murree y la Formación Tanol,
son LCF efectivas entre todas las demás LCF para la actividad de deslizamientos de
tierra en los años 2005, 2007 y 2012. El modelo de susceptibilidad LR determina
4. Resultados y discusión
185,99 km.2área en zona de muy alta susceptibilidad mientras que el modelo de
susceptibilidad a RF define 180,49 km2área en zona muy altamente susceptible
4.1. Modelos de susceptibilidad a deslizamientos de tierra.
con conjunto de datos de 2005 (Figura 8). A partir del conjunto de datos de 2005,
la zona de susceptibilidad muy alta aumenta, ya que el modelo de susceptibilidad
Los modelos de susceptibilidad de diferentes años (2005, 2007 y 2012) del área
LR muestra un aumento de aproximadamente 0,87 km.2en el área, mientras que el
de estudio se desarrollaron utilizando valores asignados a los LCF mediante el
modelo de susceptibilidad a RF representa 0,57 km2aumento del área en el
empleo de dos enfoques ML distintos y altamente precisos, es decir, LR y RF
conjunto de datos de 2007. La zona de muy alta susceptibilidad vuelve a aumentar
utilizando ArcGIS 10.8. Los LSM resultantes representan la probabilidad de
con un incremento importante en el conjunto de datos de 2012, ya que el modelo
deslizamientos de tierra en un rango "bajo a alto", donde el nivel bajo indica un
de susceptibilidad LR muestra un aumento de aproximadamente 7,98 km.2en el
área segura frente a la actividad de movimientos masivos y el nivel alto indica una
área, mientras que los modelos de susceptibilidad a RF ilustran 6,52 km2aumento
probabilidad de que ocurran deslizamientos de tierra (figura 7.) Los coeficientes LR
del área en el conjunto de datos de 2012. En el conjunto de datos de 2005, la zona
y RF "Gini de disminución media" (IncNodepurity) de LCF se utilizan para calcular
de baja susceptibilidad del área determinada por el LR y los modelos de
LSM. Cada conjunto de datos delimita ligeramente áreas más o menos variables
susceptibilidad a RF es 174,48 km.2y 177,36 kilometros2del área total
que son susceptibles a actividades de movimientos masivos.
respectivamente. La zona de baja susceptibilidad del área de estudio aumenta en
0,93 km2para LR y 3,95 km2para RF en el conjunto de datos de 2007. Considerando
Además, cada LSM se clasifica en cuatro zonas (baja, moderada, alta y
que, según el conjunto de datos de 2012, la zona poco susceptible de la zona ha
muy alta) para comprender la zona potencial de alto riesgo de ocurrencia de
disminuido desde 2007 en 1,5 km2para LR y 7,76 km2para RF. Ambos modelos de
deslizamientos de tierra. Los RF y LR-LSM se muestran en lafigura 7. Los LSM
susceptibilidad a ML muestran que el área propensa a
caracterizaron áreas de alta y muy alta susceptibilidad a
Figura 7.Los mapas de susceptibilidad a deslizamientos de tierra del distrito Hattian Bala: (a): modelo LR para 2005, (b) modelo LR para 2007, (c) modelo LR para 2012, (d) modelo RF para 2005, (e) modelo RF para 2007 , (f)
Modelo RF para 2012.
9
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Figura 8.Representación gráfica de porcentajes de área de diferentes zonas de susceptibilidad a deslizamientos en cada modelo.
La actividad de deslizamientos de tierra está aumentando en zonas muy 2005, 2007, 2012 y la LR-PRC es 87.266, 85.68 y 97.139 respectivamente.
susceptibles en todo el conjunto de datos del año. Según Costanzo et al.[29],
los factores topográficos impactan significativamente la ocurrencia de La tasa de predicción de los modelos RF y LR es buena ya que su Kappa
deslizamientos de tierra, lo que se correlaciona con nuestros hallazgos. (k) el rendimiento de los valores oscila entre 0,52 y 0,78 en el conjunto de datos de
Nuestros resultados demuestran que el gradiente de pendiente junto con todo el año. Además, las otras métricas de validación de ML-LSM, como exactitud,
las unidades litológicas son los LCF más influyentes, lo que está en línea con precisión, MAE, RMSE, recuperación y F1, también funcionan bien en el conjunto
los hallazgos de Riaz et al.[92], Pham et al.,[86], Ikram et al.,[54]y Ahmed et de datos de todo el año.
al.,[2]. Chen y otros,[25]empleó ML-RF y descubrió que la elevación, la Las precisiones de RF, MAE, RMSE, kappa, precisión, recuperación y
distancia al drenaje, el NDVI, la curvatura y la lluvia son los LCF más rendimiento de los valores F1 se dan en la tabla 2. Los resultados de las
importantes. Estas observaciones establecieron que la importancia de los métricas revelaron que todos los modelos LSM de diferentes años caen en la
LCF significativos varía según la región y los modelos empleados. clasificación buena y tienen buena precisión de resultados para el
deslizamiento de tierra. evaluación de susceptibilidad. Las métricas de
validación de dos enfoques de ML que utilizan el conjunto de datos de
4.2. Validación y comparaciones de modelos. prueba muestran que el modelo RF (0,82 para 2005, 0,79 para 2007 y 0,89
para 2012) tiene una buena precisión de predicción que el LR (0,78 para
La evaluación de cualquier modelo de susceptibilidad al ML puede controlar la 2005, 0,76 para 2007 y 0,78 para 2012). ). Estas métricas de precisión
sensibilidad de los datos de entrada, incluido el rendimiento predictivo del sugieren que RF es el modelo de ML más confiable y eficiente. Chen et al.[25]
modelo.[1,16,95]. Las métricas estadísticas se obtuvieron utilizando el módulo Utilizamos modelos LR, RF, clasificación y árbol de regresión en análisis
''Evaluación del desempeño” del paquete de herramientas LSM que se muestran comparativos y descubrimos que el modelo RF generó la mayor precisión en
enTabla 2.Sin la validación de los resultados del modelo de susceptibilidad es comparación con los otros dos modelos, lo que está en línea con nuestros
improductivo y no tiene valor de importancia científica porque LSM es una forma hallazgos. Recientemente Ikram et al.,[54]analizó comparativamente
sistemática de determinar el área altamente susceptible en relación con la diferentes modelos estadísticos y de ML a lo largo del corredor económico
distribución espacial de los deslizamientos de tierra. China Pakistán (CPEC) y descubrió que ML-LR superó a otros modelos
Comparativamente, los LSM de RF muestran un AUC-ROC más alto estadísticos en términos de precisión. Estos hallazgos también están en línea
que el LR, como se muestra enFigura 9yTabla 2. Los RF-SRC son 99.789, con nuestras observaciones. También observaron que las unidades
99.039 y 99.799 para los años 2005, 2007 y 2012, y los RF-PRC son geológicas, la pendiente de la pendiente y el uso/cobertura del suelo son los
93.577, 89.242 y 98.271 para los años 2005, 2007 y 2012 LCF más influyentes en la región. También hemos observado resultados
respectivamente. El LR-SRC y son 87.774, 85.425 y 98.033 para el año similares en nuestra región de estudio.
Tabla 2
Métricas de precisión para LR y RF evaluadas utilizando el módulo de evaluación de desempeño del paquete de herramientas LSM.
Modelo Exactitud AUC AUC MAE RMSE Kappa Precisión Recordar F1 SRC República Popular China
Clasificado No clasificado
RF-2005 0,827 0,837 0.935 0,172 0.415 0.645 0.716 0,877 0,789 99.789 93.577
RF-2007 0,792 0.807 0,892 0.207 0.455 0,579 0,669 0.863 0,754 99.039 89.242
RF-2012 0.891 0.906 0.982 0.108 0,329 0,784 0.993 0.819 0,898 99.799 98.271
LR-2005 0.780 0,787 0,872 0.219 0.468 0.549 0.664 0.814 0.731 87.774 87.266
LR-2007 0,768 0,774 0,856 0.231 0.481 0.524 0,651 0,797 0.717 85.425 85,68
LR-2012 0,788 0.817 0.971 0.211 0.460 0,592 0.984 0,648 0,782 98.033 97.139
10
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
Figura 9.AUC muestra la eficiencia para modelos de probabilidad posteriores (a) Curvas de tasa de éxito (SRC) de RF. (b) SRC de LR. (c) Curvas de tasa de predicción (PRC) de RF. d) República Popular China de LR.
5. Conclusión LSM basado en conjuntos de datos de análisis de los años 2005, 2007 y 2012
reveló que la zona muy altamente susceptible está aumentando continuamente en
Este trabajo de investigación aplicó el algoritmo ML, es decir, RF y LR para el área. La validación de modelos de ML a partir de métricas estadísticas como
evaluar la probabilidad de actividad de deslizamientos de tierra e identificar las AUC-ROC, Accuracy, AUC-C, AUC-NC, Kappa, RMSE, retirada, MAE y F1 reveló que
zonas de susceptibilidad de los deslizamientos utilizando un inventario temporal los modelos de ML son factibles. Los resultados sugieren además que los RF-LSM
de deslizamientos de tierra para el distrito Hattian Bala, noroeste del Himalaya, son más auténticos y confiables que los LR-LSM. Se sugiere que los modelos ML
Pakistán. Los deslizamientos de tierra en todo el distrito de Hattian Bala han sean los modelos más óptimos aceptados para la predicción de deslizamientos en
provocado importantes pérdidas económicas, como daños a carreteras, el área investigada.
infraestructura y asentamientos. El estudio utilizó un inventario espaciotemporal Este estudio prevalece en el sentido de que no se ha realizado ninguna investigación
de deslizamientos de tierra (2005, 2007 y 2012) con trece factores causales que previa sobre LSM basado en ML para determinar su eficacia en esta región específica. El
incluyen variables topográficas, geológicas, ambientales y antropogénicas para uso de registros históricos de deslizamientos de tierra de diversas fuentes se puede
desarrollar ML-LSM y evaluar la causa de la ocurrencia de deslizamientos de tierra explotar para generar inventarios temporales de deslizamientos para una evaluación
en el área. Los LSM revelaron que las actividades de deslizamientos de tierra en el recursiva del peligro de deslizamientos. Finalmente, los resultados de este estudio
área de estudio están significativamente controladas por la pendiente junto con el proporcionan información para que los planificadores urbanos, las autoridades de
control litológico (es decir, volcánicos Panjal, formación Murree) en las cercanías gestión de desastres y los tomadores de decisiones identifiquen las áreas propensas a
de las fallas. La RF más confiable deslizamientos de tierra e identifiquen espacialmente los lugares para un control seguro.
11
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
estrategias de construcción. Se podrían realizar más prácticas para los estudios de evaluación del riesgo de [22]Bulmer M, Farquhar T, Roshan M, Akhtar SS, Wahla SK. Peligros de deslizamientos de tierra
después del terremoto de Cachemira de 2005: Eos. Unión Trans Am Geophys 2007;88
deslizamientos de tierra para producir mapas de riesgo para evitar el desarrollo de infraestructura en
(5):53–5.
regiones con riesgo de deslizamientos de tierra. [23] Calkins, JA, JA, C., TW, O. y SKM, A., 1975, Geología del sur del Himalaya en Hazara,
Pakistán y áreas adyacentes.
[24] Catani, F., Lagomarsino, D., Segoni, S. y Tofani, V., 2013, Estimación de la susceptibilidad a
Declaración de intereses en competencia
deslizamientos de tierra mediante técnica de bosques aleatorios: cuestiones de
sensibilidad y escala: peligros naturales y ciencias del sistema terrestre, V. 13, Núm. 11,
Los autores declaran que no tienen intereses financieros en pág. 2815-2831.
competencia ni relaciones personales conocidas que pudieran haber [25]Chen W, Xie X, Wang J, Pradhan B, Hong H, Bui DT, et al. Un estudio comparativo de
modelos de árbol logístico, bosque aleatorio y árboles de clasificación y regresión
influido en el trabajo presentado en este artículo. para la predicción espacial de la susceptibilidad a deslizamientos de tierra. Cadena
2017;151:147–60.
Agradecimientos [26]Chen Z, Wang J. Mapeo de peligros de deslizamientos de tierra utilizando un modelo de regresión
logística en el valle de Mackenzie, Canadá. Peligros naturales 2007;42(1):75–89.
[27]Chowdhury M, Sadek AW. Ventajas y limitaciones de la inteligencia artificial:
El estudio fue apoyado por la Comisión de Educación Superior (HEC) de aplicaciones de la inteligencia artificial a cuestiones críticas de transporte
Pakistán, subvención n.° 8899 en el marco del Proyecto Nacional de Investigación 2012;6(3):360–75.
[28]Costache R, Arabameri A, Moayedi H, Pham QB, Santosh M, Nguyen
para Universidades (NRPU).
H, et al. Estimación del índice de potencial de inundaciones repentinas utilizando lógica
difusa combinada con una red neuronal de aprendizaje profundo, ingenuo Bayes.
Referencias XGBoost y árbol de clasificación y regresión: Geocarto Internacional; 2021. pág. 1–28.
12
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
[52]Guzzetti F, Mondini AC, Cardinali M, Fiorucci F, Santangelo M, Chang KT. Mapas de inventario de [79]Pandey VK, Pourghasemi HR, Sharma MC. Mapeo de susceptibilidad a deslizamientos de
deslizamientos de tierra: nuevas herramientas para un viejo problema. Ciencia de la Tierra Rev tierra utilizando modelos de máquinas de vectores de soporte y de máxima entropía a lo
2012;112(1–2):42–66. largo del Corredor de la Carretera. Garhwal Himalaya: Geocarto Internacional 2020;35
[53]Hamza T, Raghuvanshi TK. Evaluación y zonificación del peligro de deslizamientos de tierra (2):168–87.
basada en SIG: un caso del distrito de Jeldu. Etiopía central: Revista de ciencia de la [80]Park S, Kim J. Mapeo de susceptibilidad a deslizamientos de tierra basado en bosques
Universidad Rey Saud 2017;29(2):151–65. aleatorios y modelos de árboles de regresión potenciados, y una comparación de su
[54]Ikram N, Basharat M, Ali A, Usmani NA, Gardezi SAH, Hussain ML, et al. Comparación de desempeño. Ciencias Aplicadas 2019;9(5):942.
modelos de susceptibilidad a deslizamientos de tierra y su análisis de robustez: un estudio [81]Peiris N, Rossetto T, Burton P, Mahmood S. Misión EEFIT: Terremoto de Cachemira del 8 de
de caso del noroeste del Himalaya. Pakistán: Geocarto Internacional; 2021. octubre de 2005: Informe publicado. Londres: La institución de ingenieros estructurales;
pag. 1–38. 2006.
[55]Jadoon IA, Hinderer M, Kausar AB, Qureshi AA, Baig MS, Basharat M, et al. Interpretación [82]Petley D, Dunning S, Rosser N, Kausar AB. Deslizamientos de tierra incipientes en el valle de Jhelum,
estructural y evaluación de riesgos geográficos de una línea de bloqueo: terremoto de Pakistán, tras el terremoto del 8 de octubre de 2005. Centro de Gestión de Desastres de la SAARC,
Cachemira de 2005, Himalaya occidental. Ciencias Ambientales de la Tierra Nueva Delhi: Gestión del riesgo de deslizamientos de tierra en el sur de Asia; 2006.
2015;73(11):7587–602.
[56]Kamp U, Growley BJ, Khattak GA, Owen LA. Mapeo de susceptibilidad a deslizamientos de tierra [84]Polat A. Un método rápido e innovador para mapear la susceptibilidad a deslizamientos de tierra utilizando la caja
basado en SIG para la región del terremoto de Cachemira de 2005. Geomorfología 2008;101 de herramientas LSAT basada en GIS. Ciencias Ambientales de la Tierra 2021;80(6):1–18.
(4):631–42. [85] Pourghasemi, HR, Gayen, A., Panahi, M., Rezaie, F. y Blaschke, T., 2019, Evaluación y
[57] Kargel, JS, Leonard, GJ, Shugar, DH, Haritashya, Reino Unido, Bevington, A., Fielding, mapeo de probabilidades de riesgos múltiples en Irán: ciencia del medio ambiente
EJ, Fujita, K., Geertsema, M., Miles, ES y Steiner, J., 2016, Controles geomórficos y total, V. 692, pag. 556-571.
geológicos de los riesgos geológicos inducidos por el terremoto de Gorkha en [86]Pham QB, Achour Y, Ali SA, Parvin F, Vojtek M, Vojtekova J, et al. Una comparación entre modelos
Nepal en 2015: Science, V. 351, No. 6269, p. aac8353. difusos de toma de decisiones multicriterio, bivariados, multivariados y de aprendizaje automático
[58] Kavzoglu, T., Colkesen, I. y Sahin, EK, 2019, Técnicas de aprendizaje automático en el mapeo de en el mapeo de susceptibilidad a deslizamientos de tierra. Riesgo de peligros naturales de la
susceptibilidad a deslizamientos de tierra: una encuesta y un estudio de caso: Deslizamientos de geomática 2021;12(1):1741–77.
tierra: teoría, práctica y modelado, p. 283-301. [87]Pourghasemi HR, Yansari ZT, Panagos P, Pradhan B. Análisis y evaluación de la
[59] Kavzoglu, T., Sahin, EK y Colkesen, I., 2015, Selección de factores condicionantes óptimos en susceptibilidad a deslizamientos de tierra: una revisión de artículos publicados.
el mapeo de susceptibilidad a deslizamientos de tierra traslacionales poco profundos Arabian J Geosci 2018;11(9):1–12. durante 2005-2016 (períodos 2005-2012 y
utilizando un algoritmo genético: Engineering Geology, V. 192, p. 101-112. 2013-2016):.
[60] Kazmi, AH y Rana, RA, 1982, Mapa tectónico de Pakistán 1: 2 000 000: Estudio [88]Pradhan B. Un estudio comparativo sobre la capacidad predictiva del árbol de decisión, la máquina de
geológico de Pakistán, Mapa que muestra características estructurales y etapas vectores de soporte y los modelos neurodifusos en el mapeo de susceptibilidad a deslizamientos
tectónicas en Pakistán. de tierra utilizando SIG. Comput Geosci 2013;51:350–65.
[61]Kim JC, Lee S, Jung HS, Lee S. Mapeo de susceptibilidad a deslizamientos de tierra utilizando [89]Probst P, Wright MN, Boulesteix AL. Hiperparámetros y estrategias de ajuste para
bosques aleatorios y modelos de árboles potenciados en Pyeong-Chang. Corea: Geocarto bosque aleatorio. Reseñas interdisciplinarias de Wiley: minería de datos y
internacional 2018;33(9):1000–15. descubrimiento de conocimientos 2019;9(3):e1301.
[62] Kirschbaum, D., Stanley, T. y Zhou, YJG, 2015, Análisis espacial y temporal de un [90]Raja NB, Çiçek I, Türkoğlu N, Aydin O, Kawasaki A. Mapeo de susceptibilidad a deslizamientos de tierra
catálogo global de deslizamientos de tierra, V. 249, p. 4-15. en la cuenca del río Sera utilizando un modelo de regresión logística. Peligros naturales
[63]Kumar KV, Martha T, Roy P. Mapeo de los daños en Jammu y Cachemira causados 2017;85(3):1323–46.
por el terremoto de Mw 7,3 del 8 de octubre de 2005 a partir de imágenes de [91]Riaz MT, Basharat M, Hameed N, Shafique M, Luo J. Un enfoque basado en datos para el
Cartosat-1 y Resourcesat-1. Int J Remote Sens 2006;27(20):4449–59. mapeo de susceptibilidad a deslizamientos de tierra en terrenos montañosos: estudio de
[64]Kutlug Sahin E, Ipbuker C, Kavzoglu T. Investigación de métodos automáticos de caso del noroeste del Himalaya, Pakistán. Nat Hazard Rev 2018;19(4):05018007.
ponderación de características (Fisher, Chi-cuadrado y Relief-F) para el mapeo de [92]Riaz MT, Basharat M, Pham QB, Sarfraz Y, Shahzad A, Ahmed KS, et al. Mejora del
susceptibilidad a deslizamientos de tierra. Geocarto Internacional 2017;32(9):956–77. rendimiento predictivo de modelos cartográficos de deslizamientos en terrenos
[65] Lee, CT, Revisión y perspectivas sobre la metodología para el análisis de peligro de deslizamientos de montañosos mediante muestreo por conglomerados: Geocarto Internacional. No
tierra 2015 2015. recién aceptado 2022:1–39.
[66]Lee S. Aplicación de modelos de índice de probabilidad y regresión logística al mapeo de [93]Saadatkhah N, Kassim A, Lee LM. Evaluaciones cualitativas y cuantitativas de susceptibilidad
susceptibilidad a deslizamientos de tierra utilizando SIG. Environ Manage 2004;34 (2):223– a deslizamientos de tierra en el área de Hulu Kelang. Malasia: EJGE 2014;19 (47):545–63.
32.
[67]Li Z, Tian B, Liu S, Yang J. Asperidad del terremoto de Lushan de 2013 en el margen [94]Saba SB, van der Meijde M, van der Werff H. Detección espaciotemporal de deslizamientos
oriental de la meseta tibetana a partir de tomografía sísmica y reubicación de de tierra para la región del terremoto de Cachemira de 2005. Geomorfología 2010;124 (1–
réplicas. Geophys J Int 2013;195(3):2016–22. 2):17–25.
[68] Liao, H.-W. y Lee, C.-T., Deslizamientos de tierra provocados por el terremoto de [95]Saha A, Saha S. Comparación de la eficiencia del peso de la evidencia, la máquina de
Chi-Chi 2000, Volumen 1, pág. 383-388. vectores de soporte y sus enfoques de conjunto en el modelado de susceptibilidad a
[69] Luqman, M., Shafique, M., Bacha, A., Chen, X.-Q. y Chen, H., 2021, Inventario de deslizamientos de tierra: un estudio en la región de Kurseong en Darjeeling Himalaya.
deslizamientos de tierra y evaluación de susceptibilidad utilizando múltiples enfoques India: Aplicaciones de la teledetección: sociedad y medio ambiente 2020;19:100323.
estadísticos a lo largo de la autopista Karakoram, norte de Pakistán. : Revista de ciencias [96]Sahin EK, Colkesen I, Kavzoglu T. Una evaluación comparativa de los métodos de bosque de
de la montaña. correlación canónica, bosque aleatorio, bosque de rotación y regresión logística para el
[70]Maggioni M, Gruber U. La influencia de los parámetros topográficos en la dimensión y mapeo de susceptibilidad a deslizamientos de tierra. Geocarto Internacional
frecuencia de liberación de avalanchas. Cold Reg Sci Technol 2003;37(3):407–19. 2020;35(4):341–63.
[71]Martha TR, Kerle N, Jetten V, van Westen CJ, Kumar KV. Caracterización de [97] Sahin, EK, Colkesen, I., Acmali, SS, Akgun, A. y Aydinoglu, AC, 2020b, Desarrollo de herramientas de
propiedades espectrales, espaciales y morfométricas de deslizamientos de tierra geocomputación integrales para el mapeo de susceptibilidad a deslizamientos de tierra: paquete
para su detección semiautomática mediante métodos orientados a objetos. de herramientas LSM: Computadoras y Geociencias, V. 144, p. . 104592.
Geomorfología 2010;116(1–2):24–36. [98]Sana H, Nath SK. Dentro y alrededor de la sintaxis Hazara-Cachemira: una
[72]Mengistu F, Suryabhagavan KV, Raghuvanshi TK, Lewi E. Zonificación del peligro de perspectiva sismotectónica y de peligro sísmico. Revista de la Unión Geofísica de la
deslizamientos de tierra y evaluación de la inestabilidad de pendientes utilizando datos India 2016;20:496–505.
ópticos e InSAR: un estudio de caso de la ciudad de Gidole y sus alrededores, en el sur de [99]Sato HP, Hasegawa H, Fujiwara S, Tobita M, Koarai M, Une H, et al. Interpretación de la
Etiopía. Teledetección de la Tierra 2019;3(1):1–14. distribución de los deslizamientos de tierra provocados por el terremoto del norte de
[73]Merghadi A, Yunus AP, Dou J, Whiteley J, ThaiPham B, Bui DT, et al. Métodos de aprendizaje Pakistán de 2005 utilizando imágenes SPOT 5. Deslizamientos de tierra 2007;4(2):113–22.
automático para estudios de susceptibilidad a deslizamientos de tierra: una descripción [100]Sepúlveda SA, Petley DN. Tendencias regionales y factores de control de deslizamientos de
comparativa del rendimiento de los algoritmos. Ciencia de la Tierra Rev 2020;207:103225. tierra fatales en América Latina y el Caribe: peligros naturales y ciencias del sistema
[74]Micheletti N, Foresti L, Robert S, Leuenberger M, Pedrazzini A, Jaboyedoff M, et al. Métodos de terrestre 2015;15(8):1821–33.
selección de características de aprendizaje automático para el mapeo de susceptibilidad a [101]Shafique M, van der Meijde M, Khan MA. Una revisión de los deslizamientos de tierra provocados por
deslizamientos de tierra: geociencias matemáticas 2014;46(1):33–57. el terremoto de Cachemira de 2005; desde la perspectiva de la teledetección. J Ciencia de la Tierra
[75]Nefeslioglu HA, Gokceoglu C, Sonmez H. Una evaluación sobre el uso de regresión logística y Asiática 2016;118:68–80.
redes neuronales artificiales con diferentes estrategias de muestreo para la preparación [102]Snedecor GW, Cochran WG. Métodos estadísticos, 8.ª edición: Ames: Universidad Estatal de
de mapas de susceptibilidad a deslizamientos de tierra. Eng Geol 2008;97(3– 4):171–91. Iowa. Prensa Iowa 1989;54:71–82.
[103] Statistcs, B. o., 2020, Anuario estadístico: Departamento de Planificación y
[76]Negnevitsky M. Inteligencia artificial: una guía para sistemas inteligentes. Harlow: Desarrollo, Gobierno de Azad del estado de Jammu y Cachemira.
AddisonWesley/Pearson Educación; 2002. pág. 394. [104] Steger, S., Brenning, A., Bell, R. y Glade, T., 2016, La propagación de errores posicionales
[77]Owen LA, Kamp U, Khattak GA, Harp EL, Keefer DK, Bauer MA. Deslizamientos de tierra basados en inventario en modelos estadísticos de susceptibilidad a deslizamientos de
provocados por el terremoto de Cachemira del 8 de octubre de 2005. Geomorfología tierra: peligros naturales y ciencias del sistema terrestre, V. 16 , núm. 12, pág. 2729-2745.
2008;94(1–2):1–9.
[78] Panahi, M., Gayen, A., Pourghasemi, HR, Rezaie, F. y Lee, S., 2020, Predicción [105]Sun D, Xu J, Wen H, Wang D. Evaluación del mapeo de susceptibilidad a deslizamientos de
espacial de la susceptibilidad a deslizamientos de tierra mediante regresión de tierra basado en la optimización de hiperparámetros bayesianos: una comparación entre
vectores de soporte híbridos (SVR) y la inferencia neurodifusa adaptativa. sistema regresión logística y bosque aleatorio. Esp Geol 2021;281:105972.
(ANFIS) con varios algoritmos metaheurísticos: Science of the Total Environment, [106]Taalab K, Cheng T, Zhang Y. Mapeo de la susceptibilidad y los tipos de deslizamientos de tierra
V. 741, p. 139937. utilizando Random Forest: Big Earth Data 2018;2(2):159–78.
13
A. Hammad Khaliq, M. Basharat, M. Talha Riaz et al. Revista de ingeniería de Ain Shams 14 (2023) 101907
[107]Tien Bui D, Tuan TA, Klempe H, Pradhan B, Revhaug I. Modelos de predicción espacial para riesgos de [113]Xu C, Xu X, Yu G. Deslizamientos de tierra provocados por un terremoto generado por fallas de
deslizamientos de tierra poco profundos: una evaluación comparativa de la eficacia de las deslizamiento en una meseta: un ejemplo del 14 2013;10:421–31.
máquinas de vectores de soporte, redes neuronales artificiales, regresión logística del núcleo y [114]Yalcin A, Reis S, Aydinoglu A, Yomralioglu T. Un estudio comparativo basado en SIG de la relación de
árbol de modelos logísticos. Deslizamientos de tierra 2016;13(2):361–78. frecuencia, el proceso de jerarquía analítica, las estadísticas bivariadas y los métodos de regresión
[108] USGS, 2006, Magnitud 7,6 Pakistán, resumen del terremoto: Servicio Geológico de logística para el mapeo de susceptibilidad a deslizamientos de tierra en Trabzon.
Estados Unidos. NE de Turquía: Catena 2011;85(3):274–87.
[109]Vasu NN, Lee SR. Un algoritmo híbrido de selección de características que integra una [115]Yamagishi H, Yamazaki F. Deslizamientos de tierra provocados por el terremoto de Hokkaido
máquina de aprendizaje extremo para modelar la susceptibilidad a deslizamientos de Iburi-Tobu de 2018 el 6 de septiembre. Landslides 2018;15(12):2521–4.
tierra del monte Woomyeon, Corea del Sur: Geomorfología 2016;263:50–70. [116] Yawen, M., 2011, Evaluación de susceptibilidad a peligros múltiples a escala regional: un
[110] Vijith, H., Krishnakumar, KN, Pradeep, GS, Ninu Krishnan, MV y Madhu, G., 2014, Mapeo de estudio de caso en Mtskheta-Mtianeti, Georgia [Tesis de maestría]: Universidad de
susceptibilidad de inicio de deslizamientos de tierra poco profundos mediante análisis de Twente, p. 76.
ponderación de evidencia basado en SIG de conjuntos de datos espaciales de múltiples [117]Zhao X, Chen W. Evaluación basada en SIG de modelos de susceptibilidad a deslizamientos de tierra
clases. : un estudio de caso del terreno en pendiente natural de Western Ghats, India: utilizando factores de certeza y técnicas de conjuntos funcionales basados en árboles. Ciencias
Georisk: Evaluación y gestión de riesgos para sistemas de ingeniería y geopeligros, V. 8, Aplicadas 2020;10(1):16.
No. 1, p. 48-62. [118]Zhao Y, Wang R, Jiang Y, Liu H, Wei Z. Regresión logística basada en SIG para mapeo de
[111] Wadia, D., 1931, La sintaxis del noroeste del Himalaya: sus rocas, tectónica y susceptibilidad a deslizamientos de tierra inducidos por lluvias bajo diferentes tamaños
orogenia: Registros del Servicio Geológico de la India, v. 65: Servicio Geológico de de cuadrícula en Yueqing. Sudeste de China: ingeniería geológica 2019;259:105147.
la India. [119]Zhou C, Yin K, Cao Y, Ahmed B, Li Y, Catani F, et al. Modelado de susceptibilidad a
[112]Wu Y, Ke Y, Chen Z, Liang S, Zhao H, Hong H. Aplicación de árbol de decisión alterno deslizamientos de tierra aplicando métodos de aprendizaje automático: un
con AdaBoost y conjuntos de embolsado para mapeo de susceptibilidad a estudio de caso de Longju en el área del embalse de las Tres Gargantas, China.
deslizamientos de tierra. cadena 2020;187:104396. Comput Geosci 2018;112:23–37.
14